論文の概要: Virtual twins of nonlinear vibrating multiphysics microstructures:
physics-based versus deep learning-based approaches
- arxiv url: http://arxiv.org/abs/2205.05928v1
- Date: Thu, 12 May 2022 07:40:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:17:33.576268
- Title: Virtual twins of nonlinear vibrating multiphysics microstructures:
physics-based versus deep learning-based approaches
- Title（参考訳）: 非線形振動多物理構造の仮想双晶-物理と深層学習に基づくアプローチ
- Authors: Giorgio Gobat, Stefania Fresca, Andrea Manzoni, Attilio Frangi
- Abstract要約: 深層学習手法を応用して,精度,効率的,リアルタイムな縮小順序モデルを生成する。
提案手法の信頼性を,マイクロミラー,アーチ,ジャイロスコープで広範囲に検証した。
電気メカニカルジャイロスコープに対処することにより、非侵入的深層学習アプローチが複雑な多物理問題に容易に一般化できることが示される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Micro-Electro-Mechanical-Systems are complex structures, often involving
nonlinearites of geometric and multiphysics nature, that are used as sensors
and actuators in countless applications. Starting from full-order
representations, we apply deep learning techniques to generate accurate,
efficient and real-time reduced order models to be used as virtual twin for the
simulation and optimization of higher-level complex systems. We extensively
test the reliability of the proposed procedures on micromirrors, arches and
gyroscopes, also displaying intricate dynamical evolutions like internal
resonances. In particular, we discuss the accuracy of the deep learning
technique and its ability to replicate and converge to the invariant manifolds
predicted using the recently developed direct parametrization approach that
allows extracting the nonlinear normal modes of large finite element models.
Finally, by addressing an electromechanical gyroscope, we show that the
non-intrusive deep learning approach generalizes easily to complex multiphysics
problems
- Abstract（参考訳）: マイクロ電気機械システム(micro-electro-mechanical-systems)は複雑な構造であり、幾何および多物理学の性質を持つ非線形構造を伴い、無数の用途でセンサーやアクチュエータとして用いられる。
完全次数表現から始め,高次複雑系のシミュレーションと最適化のための仮想双対として,正確で効率的かつリアルタイムな減数次モデルを生成するために,深層学習手法を適用する。
我々は,マイクロミラー,アーチ,ジャイロスコープにおける提案手法の信頼性を広範囲に検証し,内部共鳴のような複雑な動的進化を示す。
特に, 大規模有限要素モデルの非線形正規モードの抽出を可能にする直接パラメトリゼーション手法を用いて, 深層学習手法の精度と, 予測する不変多様体を再現・収束する能力について考察した。
最後に,電気機械ジャイロスコープに対処し,非インタラクティブ深層学習アプローチが複雑な多物理問題に容易に一般化できることを示す。
関連論文リスト
- Automated Global Analysis of Experimental Dynamics through Low-Dimensional Linear Embeddings [3.825457221275617]
非線形力学系に対する低次元線形モデルを導出するためのデータ駆動型計算フレームワークを提案する。
このフレームワークは、基盤となるシステム構造をキャプチャする解釈可能な線形モデルを通じて、大域的な安定性解析を可能にする。
本手法は, 物理, 気候科学, 工学などの分野にまたがる複雑な力学挙動を解析するための, 有望な経路を提供する。
論文 参考訳（メタデータ） (2024-11-01T19:27:47Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Efficient quantum simulation of nonlinear interactions using SNAP and
Rabi gates [0.7366405857677227]
非線形ボソニック力学を効率的にモデル化する決定論的シミュレーション手法を提案する。
提案手法は,高次ボゾン相互作用から生じる現象の高忠実度モデリングを容易にする。
論文 参考訳（メタデータ） (2023-12-15T16:44:43Z) - Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Robust Hamiltonian Engineering for Interacting Qudit Systems [50.591267188664666]
我々は、強く相互作用するキューディット系のロバストな動的疎結合とハミルトン工学の定式化を開発する。
本研究では,これらの手法を,スピン-1窒素空洞中心の強相互作用・無秩序なアンサンブルで実験的に実証した。
論文 参考訳（メタデータ） (2023-05-16T19:12:41Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - On Fast Simulation of Dynamical System with Neural Vector Enhanced
Numerical Solver [59.13397937903832]
ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。
NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。
様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
論文 参考訳（メタデータ） (2022-08-07T09:02:18Z) - Towards Fast Simulation of Environmental Fluid Mechanics with
Multi-Scale Graph Neural Networks [0.0]
我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。
本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。
MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2～4桁高速である。
論文 参考訳（メタデータ） (2022-05-05T13:33:03Z) - Disentangling multiple scattering with deep learning: application to
strain mapping from electron diffraction patterns [48.53244254413104]
我々は、高非線形電子回折パターンを定量的構造因子画像に変換するために、FCU-Netと呼ばれるディープニューラルネットワークを実装した。
結晶構造の異なる組み合わせを含む20,000以上のユニークな動的回折パターンを用いてFCU-Netを訓練した。
シミュレーションされた回折パターンライブラリ、FCU-Netの実装、訓練されたモデルの重み付けは、オープンソースリポジトリで自由に利用可能です。
論文 参考訳（メタデータ） (2022-02-01T03:53:39Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Self-Supervised Learning of Generative Spin-Glasses with Normalizing
Flows [0.0]
一般的な離散問題におけるモデル相関に対する正規化フローを用いた連続スピングラス分布の開発を行う。
スピングラス位相の物理的および計算的特性をうまく学習できることを実証する。
注目すべきは、学習そのものがトレーニングされた正規化フローの層内のスピングラス相転移に対応することである。
論文 参考訳（メタデータ） (2020-01-02T19:00:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。